Auteurs:  (1) Shadab Ahamed, Université de la Colombie-Britannique, Vancouver, Colombie-Britannique, Canada, BC Cancer Research Institute, Vancouver, Colombie-Britannique, Canada. Il a également été Mitacs Accelerate Fellow (mai 2022 - avril 2023) auprès de Microsoft AI for Good Lab, Redmond, WA, États-Unis (e-mail : shadabahamed1996@gmail.com) ;  (2) Yixi Xu, Microsoft AI for Good Lab, Redmond, WA, États-Unis ;  (3) Claire Gowdy, Hôpital pour enfants de la Colombie-Britannique, Vancouver, Colombie-Britannique, Canada ;  (4) Joo H. O, St. Mary's Hospital, Séoul, République de Corée ;  (5) Ingrid Bloise, BC Cancer, Vancouver, Colombie-Britannique, Canada ;  (6) Don Wilson, BC Cancer, Vancouver, Colombie-Britannique, Canada ;  (7) Patrick Martineau, BC Cancer, Vancouver, Colombie-Britannique, Canada ;  (8) François Benard, BC Cancer, Vancouver, BC, Canada ;  (9) Fereshteh Yousefirizi, BC Cancer Research Institute, Vancouver, Colombie-Britannique, Canada ;  (10) Rahul Dodhia, Microsoft AI for Good Lab, Redmond, WA, États-Unis ;  (11) Juan M. Lavista, Microsoft AI for Good Lab, Redmond, WA, États-Unis ;  (12) William B. Weeks, Microsoft AI for Good Lab, Redmond, WA, États-Unis ;  (13) Carlos F. Uribe, BC Cancer Research Institute, Vancouver, Colombie-Britannique, Canada, et Université de la Colombie-Britannique, Vancouver, Colombie-Britannique, Canada ;  (14) Arman Rahmim, BC Cancer Research Institute, Vancouver, BC, Canada, et Université de la Colombie-Britannique, Vancouver, BC, Canada.  Tableau des liens   Résumé et introduction   Travaux connexes   Matériels et méthodes   Résultats   Discussion   Conclusion et références  II. TRAVAUX CONNEXES  De nombreux travaux ont exploré l’application de méthodes d’apprentissage profond pour segmenter le lymphome dans les images TEP/CT. Yuan et coll. [4] ont développé une technique de fusion de fonctionnalités pour utiliser les informations complémentaires des données multimodales. Hu et coll. [5] ont proposé de fusionner une combinaison de ResUNet 3D formé sur des données volumétriques et de trois ResUNet 2D formés sur des tranches 2D provenant de trois directions orthogonales pour améliorer les performances de segmentation. Li et coll. [6] ont proposé DenseX-Net formé de bout en bout intégrant des méthodes supervisées et non supervisées pour la détection et la segmentation des lymphomes. Liu et coll. [7] ont introduit des techniques telles que l'augmentation d'échantillons négatifs basée sur des patchs et le guidage d'étiquettes pour la formation d'un résidu-UNet 3D pour la segmentation des lymphomes. Une limite majeure de tous ces travaux était qu’ils ont été développés sur des ensembles de données de taille relativement réduite (moins de 100 images). De plus, la plupart de ces méthodes n’ont pas comparé les performances des méthodes proposées avec d’autres références ou avec les performances des médecins.  Constantino et coll. [8] ont comparé les performances de 7 méthodes de segmentation semi-automatiques et de 2 méthodes d'apprentissage profond, tandis que Weisman et al. [9] ont comparé 11 techniques de segmentation automatisée, bien que ces deux études aient été réalisées sur des ensembles de données plus petits, de tailles 65 et 90 respectivement. Weisman et coll. [10] ont comparé les performances de segmentation de la méthode automatisée 3D Deep Medic avec celles d'un médecin, même si cette étude n'incluait que 90 cas de lymphome. À l'exception de [10], aucune de ces études n'a rapporté de généralisation de modèles sur des ensembles de données hors distribution (comme sur des données collectées dans différents centres), limitant leur quantification de robustesse et leur validité externe. Jiang et coll. [11] ont utilisé un ensemble de données relativement plus grand par rapport aux études ci-dessus avec 297 images pour former un UNet 3D. Ils ont même effectué des tests hors distribution sur 117 images collectées dans un autre centre. Au meilleur de nos connaissances, le plus grand ensemble de données TEP/CT sur le lymphome pour la segmentation des lésions basée sur l'apprentissage profond jamais rapporté est le travail de Blanc-Durand et al. [12] qui ont utilisé 639 images pour le développement du modèle et 94 pour des tests externes ; cependant, cette étude n'a utilisé que des mesures d'évaluation de segmentation standard et a évalué la capacité de leur modèle à prédire un TMTV précis. Les deux études [11] et [12] sont limitées par le fait que leurs ensembles de données étaient exclusivement constitués de patients diagnostiqués avec un lymphome diffus à grandes cellules B (DLBCL), ne représentant qu'un seul sous-type de lymphome.  La plupart des études existantes sur la segmentation des lymphomes basée sur l'apprentissage profond rapportent leurs performances sur des mesures de segmentation génériques telles que le coefficient de similarité des dés (DSC), l'intersection sur union (IoU), la sensibilité, etc. En présence de lésions segmentées de grande taille, très les petites lésions manquées ou les petits faux positifs ne contribuent pas beaucoup à la valeur DSC. Il est donc nécessaire de signaler les volumes de faux positifs et de faux négatifs. Il sera également bénéfique d'évaluer les performances de détection par lésion (nombre de composants connectés détectés ou manqués), puisque la détection automatisée, même de quelques voxels de toutes les lésions, peut aider les médecins à localiser rapidement les régions d'intérêt, même si le Le DSC est faible. De plus, la difficulté de la tâche de segmentation/détection n’est souvent pas évaluée via une analyse d’accord inter ou intra-observateur.   Notre étude vise à remédier à ces limites. Nous avons formé et validé quatre réseaux neuronaux profonds sur des ensembles de données TEP/CT sur le lymphome provenant de trois cohortes, englobant deux sous-types distincts de lymphome : le DLBCL et le lymphome médiastinal primitif à grandes cellules B (PMBCL). (i) Nous avons effectué à la fois des tests internes (images provenant des mêmes cohortes que l'ensemble de formation/validation) et hors distribution ou externes (images d'une quatrième cohorte non utilisées pour la formation/validation) pour évaluer la robustesse de nos modèles. (ii) Nous avons rapporté les performances à l'aide du DSC, les volumes de faux positifs et négatifs, et évalué la dépendance aux performances sur six types différents de mesures de lésions. (iii) Nous avons également évalué la capacité de nos réseaux à reproduire ces mesures de lésions de vérité terrain et calculé l'erreur des réseaux dans leur prédiction. (iv) Nous avons proposé trois types de critères de détection pour notre cas d'utilisation et évaluons les performances du modèle sur ces métriques. (v) Enfin, nous avons évalué l'accord intra- et inter-observateur pour donner une mesure de la difficulté de la tâche de segmentation des lésions sur nos ensembles de données.  Cet article est   sous licence CC 4.0. disponible sur arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

REINFORCEMENT . tech

Leading research and publication in advancing reinforcement machine learning, shaping intelligent systems & automation.

Reinforcement's blog

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

Réseaux de neurones profonds pour détecter et quantifier les lésions de lymphome : travaux connexes

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Télégramme : le pont de Crypto Island vers le continent

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Télégramme : le pont de Crypto Island vers le continent

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps